Pn\u00f6moni, d\u00fcnya genelinde \u00f6nemli bir morbidite ve mortalite nedeni olmaya devam eden ciddi bir akci\u011fer enfeksiyonudur. Erken ve do\u011fru te\u015fhisi, tedavi ba\u015far\u0131s\u0131 ve hasta sa\u011fkal\u0131m\u0131 i\u00e7in hayati \u00f6neme sahiptir. Geleneksel olarak radyologlar\u0131n uzmanl\u0131\u011f\u0131na dayanan bu te\u015fhis s\u00fcreci, yapay zeka ve derin \u00f6\u011frenme tekniklerinin geli\u015fimiyle yeni bir boyut kazanm\u0131\u015ft\u0131r. Bu makalede, Stanford \u00dcniversitesi taraf\u0131ndan geli\u015ftirilen ve akci\u011fer grafilerinde pn\u00f6moni tespiti konusunda radyolog seviyesinde performans g\u00f6steren CheXNet modelini detayl\u0131ca inceleyece\u011fiz.<\/p>\n
Pn\u00f6moni, akci\u011ferlerdeki hava keseciklerinin (alveoller) iltihaplanmas\u0131 sonucu ortaya \u00e7\u0131kan bir enfeksiyondur. Bakteriler, vir\u00fcsler, mantarlar veya di\u011fer mikroorganizmalar taraf\u0131ndan tetiklenebilir. \u00d6zellikle \u00e7ocuklar, ya\u015fl\u0131lar ve ba\u011f\u0131\u015f\u0131kl\u0131k sistemi zay\u0131f olan bireyler i\u00e7in ciddi risk ta\u015f\u0131r. D\u00fcnya Sa\u011fl\u0131k \u00d6rg\u00fct\u00fc’ne g\u00f6re, pn\u00f6moni hala \u00e7ocuk \u00f6l\u00fcmlerinin \u00f6nde gelen nedenlerinden biridir.<\/p>\n
Pn\u00f6moni, akci\u011fer parankiminin akut inflamasyonudur. Semptomlar genellikle \u00f6ks\u00fcr\u00fck, ate\u015f, nefes darl\u0131\u011f\u0131 ve g\u00f6\u011f\u00fcs a\u011fr\u0131s\u0131n\u0131 i\u00e7erir. Hastal\u0131\u011f\u0131n \u015fiddeti hafiften hayat\u0131 tehdit ediciye kadar de\u011fi\u015febilir. Her y\u0131l milyonlarca insan pn\u00f6moni nedeniyle hastaneye yat\u0131r\u0131lmakta ve binlerce ki\u015fi hayat\u0131n\u0131 kaybetmektedir.<\/p>\n
Pn\u00f6moninin erken te\u015fhisi, uygun ve zaman\u0131nda tedaviye ba\u015flanmas\u0131n\u0131 sa\u011flayarak hastal\u0131\u011f\u0131n ilerlemesini durdurur, komplikasyon riskini azalt\u0131r ve hastan\u0131n iyile\u015fme \u015fans\u0131n\u0131 art\u0131r\u0131r. Ge\u00e7 te\u015fhis veya yanl\u0131\u015f te\u015fhis, hastal\u0131\u011f\u0131n k\u00f6t\u00fcle\u015fmesine ve \u00f6l\u00fcmc\u00fcl sonu\u00e7lara yol a\u00e7abilir.<\/p>\n
Pn\u00f6moni te\u015fhisinde fizik muayene, kan testleri ve balgam k\u00fclt\u00fcr\u00fc gibi y\u00f6ntemler kullan\u0131lsa da, akci\u011fer grafisi (r\u00f6ntgen) en temel ve yayg\u0131n g\u00f6r\u00fcnt\u00fcleme y\u00f6ntemidir. Grafide g\u00f6r\u00fclen infiltrasyonlar, konsolidasyonlar veya opasiteler, pn\u00f6moninin varl\u0131\u011f\u0131na i\u015faret edebilir. Ancak bu yorumlama s\u00fcreci, radyologun deneyimine ve g\u00f6zlem yetene\u011fine ba\u011fl\u0131d\u0131r.<\/p>\n
Akci\u011fer grafileri, pn\u00f6moni te\u015fhisinde alt\u0131n standartlardan biri olsa da, yorumlanmas\u0131 karma\u015f\u0131k ve zorlay\u0131c\u0131 olabilir. G\u00f6r\u00fcnt\u00fc kalitesi, lezyonlar\u0131n boyutu ve konumu, di\u011fer akci\u011fer hastal\u0131klar\u0131yla benzerlikler gibi fakt\u00f6rler te\u015fhis s\u00fcrecini etkiler.<\/p>\n
Radyologlar, akci\u011fer grafilerini yorumlamak i\u00e7in kapsaml\u0131 e\u011fitim ve deneyime sahip t\u0131p uzmanlar\u0131d\u0131r. G\u00f6r\u00fcnt\u00fclerdeki ince detaylar\u0131 fark etme ve klinik ba\u011flamla birle\u015ftirerek do\u011fru te\u015fhise ula\u015fma konusunda kritik bir rol oynarlar. Ancak d\u00fcnya genelinde radyolog eksikli\u011fi, \u00f6zellikle geli\u015fmekte olan \u00fclkelerde, \u00f6nemli bir sorundur.<\/p>\n
Akci\u011fer grafilerinin yorumlanmas\u0131 s\u00fcbjektif olabilir. Farkl\u0131 radyologlar ayn\u0131 grafiyi farkl\u0131 \u015fekillerde yorumlayabilir, bu da te\u015fhis tutars\u0131zl\u0131klar\u0131na yol a\u00e7abilir. Bu s\u00fcbjektiflik, \u00f6zellikle erken evre veya atipik pn\u00f6moni vakalar\u0131nda daha belirgin hale gelir.<\/p>\n
Radyologlar da yorgunluk, dikkat da\u011f\u0131n\u0131kl\u0131\u011f\u0131 veya yo\u011fun i\u015f y\u00fck\u00fc gibi insan fakt\u00f6rlerinden etkilenebilirler. Bu durumlar, g\u00f6zden ka\u00e7an te\u015fhislere veya yanl\u0131\u015f yorumlamalara neden olabilir. Bu k\u0131s\u0131tlamalar, yapay zeka destekli sistemlerin geli\u015ftirilmesi i\u00e7in \u00f6nemli bir motivasyon kayna\u011f\u0131 olmu\u015ftur.<\/p>\n
Son y\u0131llarda derin \u00f6\u011frenme, \u00f6zellikle evri\u015fimsel sinir a\u011flar\u0131 (CNN’ler) sayesinde t\u0131bbi g\u00f6r\u00fcnt\u00fcleme alan\u0131nda \u00e7\u0131\u011f\u0131r a\u00e7an ba\u015far\u0131lara imza atm\u0131\u015ft\u0131r. B\u00fcy\u00fck veri setleri ve geli\u015fmi\u015f algoritmalar, bilgisayarlar\u0131n insan seviyesinde veya \u00fczerinde performans g\u00f6stermesini sa\u011flam\u0131\u015ft\u0131r.<\/p>\n
CNN’ler, g\u00f6r\u00fcnt\u00fc tan\u0131ma g\u00f6revleri i\u00e7in \u00f6zel olarak tasarlanm\u0131\u015f bir derin \u00f6\u011frenme mimarisidir. G\u00f6r\u00fcnt\u00fclerdeki hiyerar\u015fik \u00f6zellikleri (kenarlar, dokular, \u015fekiller) otomatik olarak \u00f6\u011frenme yetenekleri sayesinde, X-ray, MRI, CT gibi t\u0131bbi g\u00f6r\u00fcnt\u00fclerde hastal\u0131klar\u0131 tespit etmede son derece etkilidirler.<\/p>\n
Derin \u00f6\u011frenme modelleri, ImageNet gibi devasa veri setleri \u00fczerinde e\u011fitildikten sonra, genel g\u00f6r\u00fcnt\u00fc tan\u0131ma g\u00f6revlerinde insan performans\u0131n\u0131 geride b\u0131rakm\u0131\u015ft\u0131r. Bu ba\u015far\u0131lar, t\u0131bbi g\u00f6r\u00fcnt\u00fclerdeki anormallikleri tespit etme potansiyelini de beraberinde getirmi\u015ftir.<\/p>\n
Derin \u00f6\u011frenme modellerinin ba\u015far\u0131s\u0131, b\u00fcy\u00fck ve iyi etiketlenmi\u015f veri setlerine eri\u015fime b\u00fcy\u00fck \u00f6l\u00e7\u00fcde ba\u011fl\u0131d\u0131r. T\u0131bbi alanda, bu t\u00fcr veri setlerinin olu\u015fturulmas\u0131 zaman al\u0131c\u0131 ve maliyetli olsa da, CheXNet gibi projeler i\u00e7in kritik \u00f6neme sahiptir.<\/p>\n
CheXNet, Stanford \u00dcniversitesi’ndeki ara\u015ft\u0131rmac\u0131lar taraf\u0131ndan geli\u015ftirilen, derin \u00f6\u011frenmeye dayal\u0131 bir modeldir. Amac\u0131, akci\u011fer grafilerinde pn\u00f6moni ve di\u011fer 13 farkl\u0131 akci\u011fer patolojisini radyolog seviyesinde do\u011frulukla tespit etmektir.<\/p>\n
CheXNet, DenseNet-121 ad\u0131 verilen g\u00fc\u00e7l\u00fc bir evri\u015fimsel sinir a\u011f\u0131 mimarisi \u00fczerine in\u015fa edilmi\u015ftir. DenseNet, geleneksel CNN’lerden farkl\u0131 olarak, her katman\u0131n \u00f6nceki t\u00fcm katmanlar\u0131n \u00e7\u0131kt\u0131lar\u0131n\u0131 do\u011frudan giri\u015f olarak ald\u0131\u011f\u0131 “yo\u011fun ba\u011flant\u0131lar” (dense connections) kullan\u0131r. Bu yap\u0131, bilgi ak\u0131\u015f\u0131n\u0131 iyile\u015ftirir, \u00f6zellik yeniden kullan\u0131m\u0131n\u0131 te\u015fvik eder ve modelin daha az parametreyle daha iyi performans g\u00f6stermesini sa\u011flar.<\/p>\n
CheXNet, Ulusal Sa\u011fl\u0131k Enstit\u00fcleri (NIH) taraf\u0131ndan yay\u0131nlanan ve 112.120 adet akci\u011fer grafisi g\u00f6r\u00fcnt\u00fcs\u00fc ile 14 farkl\u0131 patoloji i\u00e7in etiketler i\u00e7eren ChestX-ray14 veri seti \u00fczerinde e\u011fitilmi\u015ftir. Bu veri seti, otomatik metin madencili\u011fi y\u00f6ntemleri kullan\u0131larak radyoloji raporlar\u0131ndan \u00e7\u0131kar\u0131lan etiketlerle olu\u015fturulmu\u015ftur, bu da b\u00fcy\u00fck \u00f6l\u00e7ekli bir e\u011fitim i\u00e7in temel sa\u011flam\u0131\u015ft\u0131r.<\/p>\n
CheXNet’in e\u011fitiminde transfer \u00f6\u011frenme stratejisi kullan\u0131lm\u0131\u015ft\u0131r. Model, \u00f6ncelikle ImageNet gibi genel bir g\u00f6r\u00fcnt\u00fc veri seti \u00fczerinde e\u011fitilmi\u015f, ard\u0131ndan ChestX-ray14 veri seti \u00fczerinde “ince ayar” (fine-tuning) yap\u0131lm\u0131\u015ft\u0131r. Bu yakla\u015f\u0131m, modelin genel g\u00f6r\u00fcnt\u00fc \u00f6zelliklerini \u00f6\u011frenmesini ve ard\u0131ndan t\u0131bbi g\u00f6r\u00fcnt\u00fclere \u00f6zg\u00fc detaylar\u0131 adapte etmesini sa\u011flar.<\/p>\n
Modelin e\u011fitimi, y\u00fcksek performansl\u0131 GPU’lar kullan\u0131larak ger\u00e7ekle\u015ftirilmi\u015ftir. E\u011fitim s\u00fcreci, modelin ChestX-ray14 veri setindeki 14 patolojiyi do\u011fru bir \u015fekilde s\u0131n\u0131fland\u0131rmay\u0131 \u00f6\u011frenmesini sa\u011flamak i\u00e7in optimize edilmi\u015ftir. Kay\u0131p fonksiyonu olarak ikili \u00e7apraz entropi ve Adam optimizer gibi teknikler kullan\u0131lm\u0131\u015ft\u0131r.<\/p>\n
CheXNet’in en dikkat \u00e7ekici \u00f6zelli\u011fi, pn\u00f6moni tespiti konusunda deneyimli radyologlarla kar\u015f\u0131la\u015ft\u0131r\u0131labilir, hatta baz\u0131 durumlarda daha iyi performans g\u00f6stermesidir. Bu ba\u015far\u0131, modelin klinik potansiyelini ortaya koymaktad\u0131r.<\/p>\n
Modelin performans\u0131 genellikle E\u011fri Alt\u0131ndaki Alan (AUC – Area Under the Curve) metri\u011fi ile de\u011ferlendirilir. AUC, bir s\u0131n\u0131fland\u0131r\u0131c\u0131n\u0131n farkl\u0131 e\u015fik de\u011ferlerinde do\u011fru pozitif oran\u0131n\u0131 (duyarl\u0131l\u0131k) yanl\u0131\u015f pozitif oran\u0131na (1-\u00f6zg\u00fcll\u00fck) kar\u015f\u0131 \u00e7izdi\u011fimiz ROC e\u011frisinin alt\u0131nda kalan aland\u0131r. 1’e yak\u0131n bir AUC de\u011feri, modelin \u00e7ok iyi bir s\u0131n\u0131fland\u0131rma performans\u0131 sergiledi\u011fini g\u00f6sterir. CheXNet, pn\u00f6moni tespiti i\u00e7in 0.86’l\u0131k etkileyici bir AUC de\u011feri elde etmi\u015ftir.<\/p>\n
Ara\u015ft\u0131rmac\u0131lar, CheXNet’in performans\u0131n\u0131 4 deneyimli radyologun pn\u00f6moni te\u015fhis yetene\u011fiyle kar\u015f\u0131la\u015ft\u0131rm\u0131\u015ft\u0131r. Sonu\u00e7lar, CheXNet’in pn\u00f6moni tespiti konusunda radyologlar\u0131n ortalama performans\u0131na e\u015fde\u011fer veya daha iyi oldu\u011funu g\u00f6stermi\u015ftir. Bu, yapay zekan\u0131n t\u0131bbi te\u015fhiste ne kadar ileri gidebilece\u011finin somut bir kan\u0131t\u0131d\u0131r.<\/p>\n
Bir t\u0131bbi te\u015fhis sisteminde yanl\u0131\u015f pozitif (hastal\u0131k yokken var demek) ve yanl\u0131\u015f negatif (hastal\u0131k varken yok demek) oranlar\u0131 kritik \u00f6neme sahiptir. CheXNet, bu oranlar\u0131 optimize ederek hem gereksiz endi\u015feyi hem de potansiyel olarak hayat kurtar\u0131c\u0131 bir te\u015fhisin ka\u00e7\u0131r\u0131lmas\u0131n\u0131 minimize etmeyi hedeflemi\u015ftir.<\/p>\n
CheXNet gibi modellerin geli\u015ftirilmesi, t\u0131bbi g\u00f6r\u00fcnt\u00fcleme ve te\u015fhis s\u00fcre\u00e7lerinde devrim yaratma potansiyeline sahiptir. Klinik uygulamadan k\u00fcresel sa\u011fl\u0131k eri\u015fimine kadar geni\u015f bir yelpazede etkileri olabilir.<\/p>\n
CheXNet, radyologlara ve di\u011fer klinisyenlere pn\u00f6moni ve di\u011fer akci\u011fer patolojilerini te\u015fhis etmede yard\u0131mc\u0131 olacak bir karar destek arac\u0131 olarak kullan\u0131labilir. \u00d6zellikle yo\u011fun i\u015f y\u00fck\u00fc alt\u0131nda \u00e7al\u0131\u015fan doktorlar i\u00e7in ikinci bir g\u00f6r\u00fc\u015f sa\u011flayarak te\u015fhis do\u011frulu\u011funu art\u0131rabilir ve g\u00f6zden ka\u00e7an vakalar\u0131 azaltabilir.<\/p>\n
Radyolog eksikli\u011finin ya\u015fand\u0131\u011f\u0131 veya sa\u011fl\u0131k hizmetlerine eri\u015fimin s\u0131n\u0131rl\u0131 oldu\u011fu b\u00f6lgelerde, CheXNet gibi yapay zeka sistemleri, temel te\u015fhis hizmetlerine eri\u015fimi art\u0131rabilir. Bir teknisyen taraf\u0131ndan \u00e7ekilen grafinin, uzaktaki bir yapay zeka sistemi taraf\u0131ndan \u00f6n de\u011ferlendirmesi yap\u0131labilir, bu da daha h\u0131zl\u0131 ve yayg\u0131n te\u015fhis imkan\u0131 sunar.<\/p>\n
CheXNet, t\u0131p \u00f6\u011frencileri ve yeni radyologlar i\u00e7in bir e\u011fitim arac\u0131 olarak kullan\u0131labilir. Ayr\u0131ca, modelin i\u00e7 i\u015fleyi\u015fini inceleyerek ve hata yapt\u0131\u011f\u0131 durumlar\u0131 analiz ederek, akci\u011fer hastal\u0131klar\u0131n\u0131n anla\u015f\u0131lmas\u0131na y\u00f6nelik yeni ara\u015ft\u0131rmalara ilham verebilir.<\/p>\n
Yapay zeka modellerinin t\u0131bbi alanda kullan\u0131m\u0131, teknik ba\u015far\u0131lar\u0131n yan\u0131 s\u0131ra etik, yasal ve sosyal sorumluluklar\u0131 da beraberinde getirir. CheXNet’in de belirli s\u0131n\u0131rlamalar\u0131 ve geli\u015ftirilmesi gereken y\u00f6nleri bulunmaktad\u0131r.<\/p>\n
CheXNet, b\u00fcy\u00fck bir veri seti \u00fczerinde e\u011fitilmi\u015f olsa da, bu veri setinin demografik \u00e7e\u015fitlili\u011fi \u00f6nemlidir. E\u011fer e\u011fitim verileri belirli pop\u00fclasyonlar\u0131 yeterince temsil etmiyorsa, model bu gruplarda \u00f6nyarg\u0131l\u0131 veya daha d\u00fc\u015f\u00fck performans g\u00f6sterebilir. Gelecekteki ara\u015ft\u0131rmalar, daha \u00e7e\u015fitli ve temsili veri setleri \u00fczerinde e\u011fitim yapmaya odaklanmal\u0131d\u0131r.<\/p>\n
Yapay zeka destekli t\u0131bbi cihazlar\u0131n klinik ortamlarda kullan\u0131lmas\u0131, s\u0131k\u0131 yasal ve d\u00fczenleyici onay s\u00fcre\u00e7lerinden ge\u00e7meyi gerektirir. Modelin g\u00fcvenilirli\u011fi, do\u011frulu\u011fu ve potansiyel riskleri dikkatle de\u011ferlendirilmelidir.<\/p>\n
CheXNet gibi modellerin amac\u0131, radyologlar\u0131n yerini almak de\u011fil, onlara yard\u0131mc\u0131 olmakt\u0131r. \u0130nsan uzmanl\u0131\u011f\u0131 ile yapay zekan\u0131n h\u0131z ve do\u011frulu\u011funun birle\u015fimi, en iyi hasta sonu\u00e7lar\u0131n\u0131 sa\u011flayacakt\u0131r. Gelecekteki sistemler, bu i\u015fbirli\u011fini daha da g\u00fc\u00e7lendirecek \u015fekilde tasarlanmal\u0131d\u0131r.<\/p>\n
Derin \u00f6\u011frenme modelleri genellikle “kara kutu” olarak g\u00f6r\u00fcl\u00fcr, yani kararlar\u0131n\u0131 nas\u0131l verdikleri tam olarak anla\u015f\u0131lamaz. T\u0131bbi uygulamalarda, bir te\u015fhisin neden verildi\u011fini a\u00e7\u0131klayabilmek (explainability) b\u00fcy\u00fck \u00f6nem ta\u015f\u0131r. Bu, klinisyenlerin modele g\u00fcven duymas\u0131 ve do\u011fru kararlar almas\u0131 i\u00e7in kritiktir. Gelecek ara\u015ft\u0131rmalar, yapay zeka modellerinin a\u00e7\u0131klanabilirli\u011fini art\u0131rmaya odaklanacakt\u0131r.<\/p>\n
A\u015fa\u011f\u0131daki kod par\u00e7ac\u0131\u011f\u0131, CheXNet gibi \u00f6nceden e\u011fitilmi\u015f bir derin \u00f6\u011frenme modelinin akci\u011fer grafisi \u00fczerinde nas\u0131l bir tahmin yapabilece\u011fini kavramsal olarak g\u00f6stermektedir. Bu kod, ger\u00e7ek bir \u00e7al\u0131\u015fma ortam\u0131 i\u00e7in gerekli t\u00fcm k\u00fct\u00fcphane kurulumlar\u0131n\u0131 veya model a\u011f\u0131rl\u0131klar\u0131n\u0131 i\u00e7ermemektedir, sadece temel ak\u0131\u015f\u0131 anlat\u0131r.<\/p>\n
\nimport torch\nimport torchvision.transforms as transforms\nfrom PIL import Image\nimport torch.nn as nn\nimport torchvision.models as models\n\n# 1. Model Mimarisi Tan\u0131m\u0131 (DenseNet-121 \u00f6rne\u011fi)\n# CheXNet, DenseNet-121 mimarisini kullan\u0131r.\n# Burada, \u00f6nceden e\u011fitilmi\u015f bir DenseNet-121'i y\u00fckl\u00fcyoruz\n# ve son katman\u0131 14 farkl\u0131 akci\u011fer patolojisi i\u00e7in ayarl\u0131yoruz.\nclass CheXNetModel(nn.Module):\n def __init__(self, num_classes=14):\n super(CheXNetModel, self).__init__()\n self.densenet = models.densenet121(pretrained=False) # Kendi a\u011f\u0131rl\u0131klar\u0131m\u0131z y\u00fcklenecek\n num_ftrs = self.densenet.classifier.in_features\n self.densenet.classifier = nn.Linear(num_ftrs, num_classes)\n\n def forward(self, x):\n return self.densenet(x)\n\n# Modeli ba\u015flat\nmodel = CheXNetModel(num_classes=14)\n\n# 2. \u00d6nceden E\u011fitilmi\u015f A\u011f\u0131rl\u0131klar\u0131 Y\u00fckle (Ger\u00e7ek bir CheXNet modelinden geldi\u011fi varsay\u0131ls\u0131n)\n# model.load_state_dict(torch.load('chexnet_weights.pth'))\nmodel.eval() # Modeli de\u011ferlendirme moduna al\n\n# 3. G\u00f6r\u00fcnt\u00fc \u00d6n \u0130\u015fleme D\u00f6n\u00fc\u015f\u00fcmleri\n# Akci\u011fer grafisi g\u00f6r\u00fcnt\u00fclerinin modele uygun formata getirilmesi.\npreprocess = transforms.Compose([\n transforms.Resize(256),\n transforms.CenterCrop(224),\n transforms.ToTensor(),\n transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),\n])\n\n# 4. \u00d6rnek Bir Akci\u011fer Grafisi G\u00f6r\u00fcnt\u00fcs\u00fc Y\u00fckle (Bu k\u0131s\u0131m temsili bir dosyay\u0131 gerektirir)\n# try:\n# img = Image.open(\"ornek_akciger_grafisi.jpg\").convert(\"RGB\")\n# except FileNotFoundError:\n# print(\"\u00d6rnek g\u00f6r\u00fcnt\u00fc dosyas\u0131 bulunamad\u0131. L\u00fctfen 'ornek_akciger_grafisi.jpg' ad\u0131nda bir dosya olu\u015fturun.\")\n# exit()\n\n# input_tensor = preprocess(img)\n# input_batch = input_tensor.unsqueeze(0) # Modelin bekledi\u011fi batch boyutunu ekle\n\n# 5. Tahmin Yap\n# with torch.no_grad(): # Gradyan hesaplamalar\u0131n\u0131 devre d\u0131\u015f\u0131 b\u0131rak, sadece tahmin yaparken kullan\u0131l\u0131r.\n# output = model(input_batch)\n# # 14 patoloji i\u00e7in olas\u0131l\u0131klar\u0131 sigmoid fonksiyonu ile al\n# probabilities = torch.sigmoid(output)\n\n# 6. Sonu\u00e7lar\u0131 Yorumla (\u00d6rnek olarak pn\u00f6moni olas\u0131l\u0131\u011f\u0131)\n# Patoloji etiketleri (\u00f6rne\u011fin ChestX-ray14'ten)\n# pathology_labels = ['Atelektazi', 'Kardiyomegali', 'Konsolidasyon', '\u00d6dem', 'Eff\u00fczyon', \n# 'Amfizem', 'Fibr\u00f6z', 'Herni', 'Infiltrasyon', 'Kitle', 'Nod\u00fcl', \n# 'Pn\u00f6moni', 'Pn\u00f6motoraks', 'Kal\u0131nla\u015fma']\n\n# print(f\"Pn\u00f6moni olas\u0131l\u0131\u011f\u0131: {probabilities[0][pathology_labels.index('Pn\u00f6moni')].item():.4f}\")\n# print(\"Di\u011fer patoloji olas\u0131l\u0131klar\u0131:\")\n# for i, prob in enumerate(probabilities[0]):\n# print(f\"- {pathology_labels[i]}: {prob.item():.4f}\")\n<\/pre>\n<\/code><\/p>\n
Sonu\u00e7<\/h2>\n
CheXNet, derin \u00f6\u011frenmenin t\u0131bbi g\u00f6r\u00fcnt\u00fcleme alan\u0131nda ne kadar ileri gidebilece\u011finin \u00e7arp\u0131c\u0131 bir \u00f6rne\u011fidir. Akci\u011fer grafilerinde pn\u00f6moni ve di\u011fer patolojileri radyolog seviyesinde do\u011frulukla tespit etme yetene\u011fi, bu teknolojinin klinik uygulamalar i\u00e7in b\u00fcy\u00fck bir potansiyel ta\u015f\u0131d\u0131\u011f\u0131n\u0131 g\u00f6stermektedir. Radyologlara yard\u0131mc\u0131 bir karar destek arac\u0131 olarak, CheXNet, te\u015fhis s\u00fcre\u00e7lerini h\u0131zland\u0131rabilir, do\u011frulu\u011fu art\u0131rabilir ve \u00f6zellikle kaynak k\u0131s\u0131tl\u0131 b\u00f6lgelerde sa\u011fl\u0131k hizmetlerine eri\u015fimi iyile\u015ftirebilir. Ancak, etik hususlar, veri \u00e7e\u015fitlili\u011fi ve a\u00e7\u0131klanabilirlik gibi konular, bu t\u00fcr sistemlerin yayg\u0131n klinik kullan\u0131ma ge\u00e7meden \u00f6nce ele al\u0131nmas\u0131 gereken \u00f6nemli noktalard\u0131r. Gelecekte, insan uzmanl\u0131\u011f\u0131 ile yapay zekan\u0131n i\u015fbirli\u011fi, hasta bak\u0131m\u0131n\u0131n kalitesini art\u0131rman\u0131n anahtar\u0131 olacakt\u0131r.<\/p>\n
SSS (S\u0131k Sorulan Sorular)<\/h2>\nCheXNet sadece pn\u00f6moni mi tespit ediyor?<\/h3>\n
Hay\u0131r, CheXNet modeli sadece pn\u00f6moniyi de\u011fil, ayn\u0131 zamanda ChestX-ray14 veri setinde bulunan 13 farkl\u0131 akci\u011fer patolojisini (\u00f6rne\u011fin, atelektazi, kardiyomegali, eff\u00fczyon vb.) de tespit edebilmektedir.<\/p>\n
CheXNet radyologlar\u0131n yerini alacak m\u0131?<\/h3>\n
Hay\u0131r, CheXNet'in amac\u0131 radyologlar\u0131n yerini almak de\u011fil, onlara bir karar destek arac\u0131 olarak yard\u0131mc\u0131 olmakt\u0131r. Model, radyologlar\u0131n i\u015f y\u00fck\u00fcn\u00fc azaltabilir, te\u015fhis do\u011frulu\u011funu art\u0131rabilir ve g\u00f6zden ka\u00e7an vakalar\u0131 tespit etmelerine yard\u0131mc\u0131 olabilir. \u0130nsan ve yapay zeka i\u015fbirli\u011fi, en iyi sonu\u00e7lar\u0131 sunacakt\u0131r.<\/p>\n
CheXNet hangi veri setleri \u00fczerinde e\u011fitildi?<\/h3>\n
CheXNet, Ulusal Sa\u011fl\u0131k Enstit\u00fcleri (NIH) taraf\u0131ndan yay\u0131nlanan ve 112.120 adet akci\u011fer grafisi g\u00f6r\u00fcnt\u00fcs\u00fc ile 14 farkl\u0131 patoloji i\u00e7in etiketler i\u00e7eren ChestX-ray14 veri seti \u00fczerinde e\u011fitilmi\u015ftir. Ayr\u0131ca, transfer \u00f6\u011frenme i\u00e7in ImageNet veri seti \u00fczerinde \u00f6nceden e\u011fitilmi\u015ftir.<\/p>\n
CheXNet'in ana mimarisi nedir?<\/h3>\n
CheXNet, DenseNet-121 ad\u0131 verilen bir evri\u015fimsel sinir a\u011f\u0131 (CNN) mimarisi \u00fczerine kurulmu\u015ftur. DenseNet'in yo\u011fun ba\u011flant\u0131lar\u0131, modelin daha verimli \u00f6\u011frenmesini ve daha iyi performans g\u00f6stermesini sa\u011flar.<\/p>\n
Bu t\u00fcr sistemlerin klinik kullan\u0131m\u0131 ne zaman yayg\u0131nla\u015f\u0131r?<\/h3>\n
CheXNet gibi yapay zeka sistemleri hen\u00fcz yayg\u0131n klinik kullan\u0131mda de\u011fildir. Ara\u015ft\u0131rmalar devam etmekte, modelin g\u00fcvenilirli\u011fi, genellenebilirli\u011fi ve klinik ortamdaki etkinli\u011fi test edilmektedir. Ayr\u0131ca, yasal ve d\u00fczenleyici onay s\u00fcre\u00e7lerinin tamamlanmas\u0131 gerekmektedir. Ancak, \u00f6n\u00fcm\u00fczdeki y\u0131llarda bu t\u00fcr sistemlerin klinik karar destek s\u00fcre\u00e7lerinde daha s\u0131k yer almas\u0131 beklenmektedir.<\/p>\n","protected":false},"excerpt":{"rendered":"CheXNet: Derin \u00d6\u011frenme ile Akci\u011fer Grafisinde Radyolog Seviyesinde Pn\u00f6moni Tespiti\nPn\u00f6moni, d\u00fcnya genelinde \u00f6nemli bir morbidite ve mortalite nedeni …","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1],"tags":[],"class_list":{"0":"post-36649","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\n
CheXNet: Derin \u00d6\u011frenme ile Akci\u011fer Grafisinde Radyolog Seviyesinde Pn\u00f6moni Tespiti - Kodlar\u0131n Gizemli D\u00fcnyas\u0131<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/fatihsoysal.com\/blog\/chexnet-derin-ogrenme-ile-akciger-grafisinde-radyolog-seviyesinde-pnomoni-tespiti\/\" \/>\n<meta property=\"og:locale\" content=\"tr_TR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"CheXNet: Derin \u00d6\u011frenme ile Akci\u011fer Grafisinde Radyolog Seviyesinde Pn\u00f6moni Tespiti\" \/>\n<meta property=\"og:description\" content=\"CheXNet: Derin \u00d6\u011frenme ile Akci\u011fer Grafisinde Radyolog Seviyesinde Pn\u00f6moni Tespiti Pn\u00f6moni, d\u00fcnya genelinde \u00f6nemli bir morbidite ve mortalite nedeni ...\" \/>\n<meta property=\"og:url\" content=\"https:\/\/fatihsoysal.com\/blog\/chexnet-derin-ogrenme-ile-akciger-grafisinde-radyolog-seviyesinde-pnomoni-tespiti\/\" \/>\n<meta property=\"og:site_name\" content=\"Kodlar\u0131n Gizemli D\u00fcnyas\u0131\" \/>\n<meta property=\"article:published_time\" content=\"2025-12-21T02:00:38+00:00\" \/>\n<meta name=\"author\" content=\"Fatih Soysal\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Yazan:\" \/>\n\t<meta name=\"twitter:data1\" content=\"Fatih Soysal\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tahmini okuma s\u00fcresi\" \/>\n\t<meta name=\"twitter:data2\" content=\"14 dakika\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/chexnet-derin-ogrenme-ile-akciger-grafisinde-radyolog-seviyesinde-pnomoni-tespiti\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/chexnet-derin-ogrenme-ile-akciger-grafisinde-radyolog-seviyesinde-pnomoni-tespiti\/\"},\"author\":{\"name\":\"Fatih Soysal\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"headline\":\"CheXNet: Derin \u00d6\u011frenme ile Akci\u011fer Grafisinde Radyolog Seviyesinde Pn\u00f6moni Tespiti\",\"datePublished\":\"2025-12-21T02:00:38+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/chexnet-derin-ogrenme-ile-akciger-grafisinde-radyolog-seviyesinde-pnomoni-tespiti\/\"},\"wordCount\":2474,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"inLanguage\":\"tr\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/fatihsoysal.com\/blog\/chexnet-derin-ogrenme-ile-akciger-grafisinde-radyolog-seviyesinde-pnomoni-tespiti\/#respond\"]}],\"copyrightYear\":\"2025\",\"copyrightHolder\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#organization\"}},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/chexnet-derin-ogrenme-ile-akciger-grafisinde-radyolog-seviyesinde-pnomoni-tespiti\/\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/chexnet-derin-ogrenme-ile-akciger-grafisinde-radyolog-seviyesinde-pnomoni-tespiti\/\",\"name\":\"CheXNet: Derin \u00d6\u011frenme ile Akci\u011fer Grafisinde Radyolog Seviyesinde Pn\u00f6moni Tespiti - Kodlar\u0131n Gizemli D\u00fcnyas\u0131\",\"isPartOf\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#website\"},\"datePublished\":\"2025-12-21T02:00:38+00:00\",\"breadcrumb\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/chexnet-derin-ogrenme-ile-akciger-grafisinde-radyolog-seviyesinde-pnomoni-tespiti\/#breadcrumb\"},\"inLanguage\":\"tr\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/fatihsoysal.com\/blog\/chexnet-derin-ogrenme-ile-akciger-grafisinde-radyolog-seviyesinde-pnomoni-tespiti\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/chexnet-derin-ogrenme-ile-akciger-grafisinde-radyolog-seviyesinde-pnomoni-tespiti\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Anasayfa\",\"item\":\"https:\/\/fatihsoysal.com\/blog\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"CheXNet: Derin \u00d6\u011frenme ile Akci\u011fer Grafisinde Radyolog Seviyesinde Pn\u00f6moni Tespiti\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#website\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/\",\"name\":\"Fatihsoysal.com\",\"description\":\"Blog - Yaz\u0131l\u0131m D\u00fcnyas\u0131 Tecr\u00fcbelerim\",\"publisher\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/fatihsoysal.com\/blog\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"tr\"},{\"@type\":[\"Person\",\"Organization\"],\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\",\"name\":\"Fatih Soysal\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"tr\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png\",\"contentUrl\":\"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png\",\"width\":512,\"height\":512,\"caption\":\"Fatih Soysal\"},\"logo\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/\"},\"description\":\"Kullan\u0131m ve kodlama m\u00fckemmeliyetini odak alan uygulamalar olu\u015fturma deneyimine sahip, profesyonel olarak 15+ y\u0131l \u00fczeri deneyime sahip bir yaz\u0131l\u0131m m\u00fchendisi.\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/author\/fatihsoysal\/\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"CheXNet: Derin \u00d6\u011frenme ile Akci\u011fer Grafisinde Radyolog Seviyesinde Pn\u00f6moni Tespiti - Kodlar\u0131n Gizemli D\u00fcnyas\u0131","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/fatihsoysal.com\/blog\/chexnet-derin-ogrenme-ile-akciger-grafisinde-radyolog-seviyesinde-pnomoni-tespiti\/","og_locale":"tr_TR","og_type":"article","og_title":"CheXNet: Derin \u00d6\u011frenme ile Akci\u011fer Grafisinde Radyolog Seviyesinde Pn\u00f6moni Tespiti","og_description":"CheXNet: Derin \u00d6\u011frenme ile Akci\u011fer Grafisinde Radyolog Seviyesinde Pn\u00f6moni Tespiti Pn\u00f6moni, d\u00fcnya genelinde \u00f6nemli bir morbidite ve mortalite nedeni ...","og_url":"https:\/\/fatihsoysal.com\/blog\/chexnet-derin-ogrenme-ile-akciger-grafisinde-radyolog-seviyesinde-pnomoni-tespiti\/","og_site_name":"Kodlar\u0131n Gizemli D\u00fcnyas\u0131","article_published_time":"2025-12-21T02:00:38+00:00","author":"Fatih Soysal","twitter_card":"summary_large_image","twitter_misc":{"Yazan:":"Fatih Soysal","Tahmini okuma s\u00fcresi":"14 dakika"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/fatihsoysal.com\/blog\/chexnet-derin-ogrenme-ile-akciger-grafisinde-radyolog-seviyesinde-pnomoni-tespiti\/#article","isPartOf":{"@id":"https:\/\/fatihsoysal.com\/blog\/chexnet-derin-ogrenme-ile-akciger-grafisinde-radyolog-seviyesinde-pnomoni-tespiti\/"},"author":{"name":"Fatih Soysal","@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"headline":"CheXNet: Derin \u00d6\u011frenme ile Akci\u011fer Grafisinde Radyolog Seviyesinde Pn\u00f6moni Tespiti","datePublished":"2025-12-21T02:00:38+00:00","mainEntityOfPage":{"@id":"https:\/\/fatihsoysal.com\/blog\/chexnet-derin-ogrenme-ile-akciger-grafisinde-radyolog-seviyesinde-pnomoni-tespiti\/"},"wordCount":2474,"commentCount":0,"publisher":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"inLanguage":"tr","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/fatihsoysal.com\/blog\/chexnet-derin-ogrenme-ile-akciger-grafisinde-radyolog-seviyesinde-pnomoni-tespiti\/#respond"]}],"copyrightYear":"2025","copyrightHolder":{"@id":"https:\/\/fatihsoysal.com\/blog\/#organization"}},{"@type":"WebPage","@id":"https:\/\/fatihsoysal.com\/blog\/chexnet-derin-ogrenme-ile-akciger-grafisinde-radyolog-seviyesinde-pnomoni-tespiti\/","url":"https:\/\/fatihsoysal.com\/blog\/chexnet-derin-ogrenme-ile-akciger-grafisinde-radyolog-seviyesinde-pnomoni-tespiti\/","name":"CheXNet: Derin \u00d6\u011frenme ile Akci\u011fer Grafisinde Radyolog Seviyesinde Pn\u00f6moni Tespiti - Kodlar\u0131n Gizemli D\u00fcnyas\u0131","isPartOf":{"@id":"https:\/\/fatihsoysal.com\/blog\/#website"},"datePublished":"2025-12-21T02:00:38+00:00","breadcrumb":{"@id":"https:\/\/fatihsoysal.com\/blog\/chexnet-derin-ogrenme-ile-akciger-grafisinde-radyolog-seviyesinde-pnomoni-tespiti\/#breadcrumb"},"inLanguage":"tr","potentialAction":[{"@type":"ReadAction","target":["https:\/\/fatihsoysal.com\/blog\/chexnet-derin-ogrenme-ile-akciger-grafisinde-radyolog-seviyesinde-pnomoni-tespiti\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/fatihsoysal.com\/blog\/chexnet-derin-ogrenme-ile-akciger-grafisinde-radyolog-seviyesinde-pnomoni-tespiti\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Anasayfa","item":"https:\/\/fatihsoysal.com\/blog\/"},{"@type":"ListItem","position":2,"name":"CheXNet: Derin \u00d6\u011frenme ile Akci\u011fer Grafisinde Radyolog Seviyesinde Pn\u00f6moni Tespiti"}]},{"@type":"WebSite","@id":"https:\/\/fatihsoysal.com\/blog\/#website","url":"https:\/\/fatihsoysal.com\/blog\/","name":"Fatihsoysal.com","description":"Blog - Yaz\u0131l\u0131m D\u00fcnyas\u0131 Tecr\u00fcbelerim","publisher":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/fatihsoysal.com\/blog\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"tr"},{"@type":["Person","Organization"],"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1","name":"Fatih Soysal","image":{"@type":"ImageObject","inLanguage":"tr","@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/","url":"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png","contentUrl":"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png","width":512,"height":512,"caption":"Fatih Soysal"},"logo":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/"},"description":"Kullan\u0131m ve kodlama m\u00fckemmeliyetini odak alan uygulamalar olu\u015fturma deneyimine sahip, profesyonel olarak 15+ y\u0131l \u00fczeri deneyime sahip bir yaz\u0131l\u0131m m\u00fchendisi.","url":"https:\/\/fatihsoysal.com\/blog\/author\/fatihsoysal\/"}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts\/36649","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/comments?post=36649"}],"version-history":[{"count":0,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts\/36649\/revisions"}],"wp:attachment":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/media?parent=36649"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/categories?post=36649"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/tags?post=36649"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}